目的探讨基质辅助激光解吸电离飞行时间质谱(matrix-assisted laser desorption/ionization time of flight mass spectrometry,MALDI-TOF MS)结合短时培养在快速鉴定血流感染病原菌中的应用。方法对南京医科大学附属淮安第一医院微生物...目的探讨基质辅助激光解吸电离飞行时间质谱(matrix-assisted laser desorption/ionization time of flight mass spectrometry,MALDI-TOF MS)结合短时培养在快速鉴定血流感染病原菌中的应用。方法对南京医科大学附属淮安第一医院微生物室2020年11月至2021年12月血培养报告阳性的标本进行革兰染色分类,并采用4h和6h短时培养法及MALDI-TOF MS技术快速鉴定感染病原菌并实时报送病区单元。结果4h短时培养革兰阴性菌共351株,339株(96.6%)细菌鉴定到种属,与24h鉴定结果相同,11株无鉴定结果,1株鉴定错误;6h短时培养革兰阳性菌共216株,212株(98.1%)鉴定到种属,与24h鉴定结果相同,3株无鉴定结果,1株鉴定错误。跟踪321株革兰阴性菌的临床反馈,287例(89.4%)给予临床关注,89例(27.7%)进行药物调整,238例(74.1%)临床疗效良好;跟踪183株革兰阳性菌的临床反馈,其中150例(82.0%)给予临床关注,49例(26.8%)进行药物调整,131例(71.6%)临床疗效良好。结论MALDI-TOF MS技术结合短时培养方法可有效提高血流感染病原菌鉴定准确率,改善血流感染患者抗菌药物治疗时机。展开更多
微生物细胞的傅里叶变换近红外光谱(Fourier transform near infrared spectroscopy,FT-NIR)反映了细胞成分的分子振动信息,具有的高度特异性,为寻求一种基于FT-NIR的微生物快速鉴定方法提供了可能。文章通过采集1株酵母和5株细菌标准...微生物细胞的傅里叶变换近红外光谱(Fourier transform near infrared spectroscopy,FT-NIR)反映了细胞成分的分子振动信息,具有的高度特异性,为寻求一种基于FT-NIR的微生物快速鉴定方法提供了可能。文章通过采集1株酵母和5株细菌标准菌株的近红外漫反射光谱,采用主成分分析法对光谱数据进行了分析,构建了基于FT-NIR的微生物快速鉴定模型。分析结果表明:①光谱鉴别指数Dy1y2值范围为1.61±1.05～10.97±6.65,重现性良好;②建立的基于线性判别分析模型的鉴定准确率为100%,基于人工神经网络模型的预测结果平均相对误差为5.75%,预测准确率高。研究结果证实该方法可以实现基于FT-NIR结合多元数学统计方法的微生物快速鉴定,并具有广阔的产业应用前景。展开更多
文摘目的探讨基质辅助激光解吸电离飞行时间质谱(matrix-assisted laser desorption/ionization time of flight mass spectrometry,MALDI-TOF MS)结合短时培养在快速鉴定血流感染病原菌中的应用。方法对南京医科大学附属淮安第一医院微生物室2020年11月至2021年12月血培养报告阳性的标本进行革兰染色分类,并采用4h和6h短时培养法及MALDI-TOF MS技术快速鉴定感染病原菌并实时报送病区单元。结果4h短时培养革兰阴性菌共351株,339株(96.6%)细菌鉴定到种属,与24h鉴定结果相同,11株无鉴定结果,1株鉴定错误;6h短时培养革兰阳性菌共216株,212株(98.1%)鉴定到种属,与24h鉴定结果相同,3株无鉴定结果,1株鉴定错误。跟踪321株革兰阴性菌的临床反馈,287例(89.4%)给予临床关注,89例(27.7%)进行药物调整,238例(74.1%)临床疗效良好;跟踪183株革兰阳性菌的临床反馈,其中150例(82.0%)给予临床关注,49例(26.8%)进行药物调整,131例(71.6%)临床疗效良好。结论MALDI-TOF MS技术结合短时培养方法可有效提高血流感染病原菌鉴定准确率,改善血流感染患者抗菌药物治疗时机。
文摘微生物细胞的傅里叶变换近红外光谱(Fourier transform near infrared spectroscopy,FT-NIR)反映了细胞成分的分子振动信息,具有的高度特异性,为寻求一种基于FT-NIR的微生物快速鉴定方法提供了可能。文章通过采集1株酵母和5株细菌标准菌株的近红外漫反射光谱,采用主成分分析法对光谱数据进行了分析,构建了基于FT-NIR的微生物快速鉴定模型。分析结果表明:①光谱鉴别指数Dy1y2值范围为1.61±1.05～10.97±6.65,重现性良好;②建立的基于线性判别分析模型的鉴定准确率为100%,基于人工神经网络模型的预测结果平均相对误差为5.75%,预测准确率高。研究结果证实该方法可以实现基于FT-NIR结合多元数学统计方法的微生物快速鉴定,并具有广阔的产业应用前景。
